1/35
電力系統出力変動対応技術研究開発事業
(Ⅰ)風力発電予測・制御高度化
ランプ予測技術の開発
委託先:国立大学法人東京大学、学校法人早稲田大学、
一般財団法人電力中央研究所、
伊藤忠テクノソリューションズ株式会社
再委託先:国立大学法人筑波大学、学校法人日本大学、
一般財団法人日本気象協会
平成28年11月15日
スマートコミュニティ部成果報告会
3/35
1.研究目的・概要
【研究目的】
• 風力発電の大量導入を実現するために必要となる、系統運用者のランプ現象に対応する適正な調整力確保
• 風力発電の出力変動緩和による電力系統への影響の最小化、予測誤差の補正による風力発電の計画発電。
【研究概要】
• ランプ現象の要因分析に基づくランプ予測技術の確立。
• 予測技術を活用しコストミニマムとなる最適な制御分担に基づいた、ウィンドファーム(WF)制御技術と蓄エネルギー技術を用いた出力変動制御技術の確立。
4/35
2.研究内容と研究目標
【研究内容】
• 「気象学的アプローチ」および「データ科学的アプローチ」によりランプ予測技術を高度化。
• 複数予測手法の統合により、より良い予測情報を提供。
【研究目標】
• 中間目標: ランプ現象の要因分析、ベンチマークテスト等から得られる課題を踏まえ、ランプ予測技術の開発目標を確定。
• 最終目標: 予測精度を向上させ、現行の予測モデルよりも大外しの最大振れ誤差を20%以上低減。
○ランプ予測技術開発のアプローチと主な役割分担
気象学的アプローチ• 気象学的要因分析によるアプローチ(筑波大学)• アンサンブル予測によるアプローチ(電力中央研究所)
データ科学的アプローチ• 統計的手法によるアプローチ(日本大学)• 機械学習によるアプローチ(早稲田大学)• Dynamical Systems 理論によるアプローチ(東京大学)
複数予測手法の統合• 複雑系数理モデル学をベースにした複数予測手法の統合
(東京大学)
ランプ予測技術の評価• 予測技術が電力系統運用の経済性と安定性に与える影響の
分析に基づき、予測対象とするランプ現象を選定し、予測技術開発仕様を開発チームへフィードバックする
7/35
5.研究開発状況・成果
整備状況 WF気象計測 :36地点 総発電量計測:43地点 SCADA計測:40地点(うちオフライン15拠点)
成果:データ収集可能なWFは総計48地点
気象観測装置SCADA・総発電量収集装置
Ⅰ-(1)-① ウィンドファーム観測網整備
8/35
5.研究開発状況・成果
Ⅰ-(1)-① ウィンドファーム観測網整備
• WF近傍に風況観測設備を構築 ⇒ 広域で風況と発電量の同時観測を実現させ、ランプ現象の要因分析・ランプ予測に活用。
風況観測マストWFにおける風況観測(ライダー)
ライダーorマスト設置場所
■成果
・ライダー:5、風況マスト:6の11箇所設置
■設置方針
・ライダー・マスト約10箇所程度を計画
・マストは60m未満で、観測高度57.5m、50m、40mの3箇所程度
・設置場所を風車から概ね300m以上、2km以内で選定
9/35
5.研究開発 状況・成果
WF・気象モニタリングデータ、広域気象観測網データ、気象庁データの収集・管理システムを構築した。
研究をサポートする急変事例検索・表示機能等の
実装も並行して進めている。
Ⅰ-(1)-③ 風力データベース整備
10/35
5.研究開発状況・成果
ランプ現象の定義(開発目標の確定)
外部有識者との協議の結果、プロジェクト推進上
変動量が風力発電定格出力の30%以上且つその間の平均変動率が 5%/h以上
をランプと定義し、予測の開発を進めていくこととした。
※本WGで開発する予測システムは、将来的に各エリアにおけるランプの定義が決定した際に、それに適応できうるもので、これまでの議論から上がった多くの二―ズを包含できるものと考える。
(NEDOスマートコミュニティ部「電力系統出力変動対応技術研究開発事業」基本計画 P.2 より抜粋)
11/35
5.研究開発状況・成果
予測評価指標(開発目標の確定)
Critical Success Index(CSI)を事業開発評価指標とし、精度数値目標と
することとした。
<採用した論拠>
• 適性:出現頻度の低い現象について検証するのに有効な指標である(気象庁数値予報研修テキスト付録C【C3.9 スレットスコア】より)
• 比較可能性:海外Prj(米国WFIP※(NREL※))でも採用されており、海外との比較が
可能 ※WFIP: Wind Forecasting Improvement Project, NREL: National Renewable Energy Laboratory
• 網羅性:適中率と捕捉率という、相反する指標の両方が考慮される
<精度目標>
• “大外し”を“見逃し”に相当するものとし、適中に対する見逃しを20%以上改善
CSI= A/(A+B+C)適中率=A/(A+B)捕捉率=A/(A+C)
12/35
5.研究開発状況・成果
Ⅰ-(2)-②-2-A1 気象学的要因分析によるアプローチ
Ⅰ-(2)-②-2-B1 統計的手法によるアプローチ
全体フロー
①GPV気圧分布によるパターン分類
④WRFによる気象予測計算
⑤アナログアンサンブル手法によるバイアス補正
⑥発電出力予測計算(発電出力・信頼幅)
配信情報
東大サーバ
⑦ランプアラート計算
・発電出力予測・信頼幅予測・ランプアラート
②アンサンブル分析
③WRFパターン判定
NCEP-GFSアンサンブル
NCEP-GFS JMA-GSM 実況値
予測システムのプロトタイプ版として確定
13/35
5.研究開発状況・成果
Ⅰ-(2)-②-2-A2 アンサンブル予測によるアプローチ
開発してきた風力発電予測システムをベースに、アンサンブル予測
や経験的手法(SOM等)の導入により、システムの高度化を行う。
経験的手法による(確率)予報
数値予報データ(気象庁)
領域モデルの改良
アンサンブル
系統エリア内(東日本)のRAMP予測
データ同化
気象観測
風況場の予測・解析
個別風車・ウインドファーム出力予測
SOM
統計手法
ウインドファーム観測データ
半透明マスク2012年4月予備評価
力学的手法によるダウンスケーリング
14/35
5.研究開発状況・成果
Ⅰ-(2)-②-2-B2 機械学習によるアプローチ
•気象場予測結果や観測データを活用
–多変量間の統計的非線形構造の記述に有効なノンパラメトリックモデルをベースとした発電出力/ランプ予測技術
d日目 17:00
発電量/ランプ時系列
d日目 17:30
…
気象予測情報(17:00に更新を想定)
d+1日目 16:30
直近観測
入力変量の活用イメージ
直近の観測情報(発電量実績)の活用による予測の30分更新を実現
ノンパラメトリックモデル
...
大規模多変量と発電量/ランプ現象の間の関係をデータに基づいて記述
機械学習に基づく予測器構築
入力• 気象場予測結果• 観測データ
予測• 発電時系列• ランプ発生
事例DBx1
x2
x3
15/35
5.研究開発状況・成果
Ⅰ-(2)-②-2-B3 Dynamical Systems理論によるアプローチ
予測が外れやすい時(Hirata et al., Chaos (2015); Hirata and Aihara, EPJST (2016))
(i) 気象条件が定性的な変化を起こそうとしている場合(ii) 初期値鋭敏性が非常に強い場合(iii) 過去に似た現象があまり起きていない場合(iv) ダイナミカルノイズが存在している時
(i) (ii) (iii) (iv)
a)独立性の仮定の次に、b)Expert adviceを用いた統合予測
a)Expert adviceの次に、b)独立性の仮定を用いた統合予測
Expert adviceによるさらなる統合予測
独立性を仮定した統合予測
2 3
4
5
6
6つのランプ予測と4つの信頼性指標を組み合わせて
0-10レベルのアラート
Permutationを使った予測
独立性を仮定したさらなる統合予測
無限次元の遅れ座標+単純な重みづけの予測
無限次元の遅れ座標+近傍により重い重みづけによる予測
重心座標による予測
1
Dynamical Systems理論に基づく複数の手法を用いて、予測が外れるとき(→大外し)に着目した、0~10段階のレベルのランプアラートを発出
16/35
5.研究開発状況・成果
予測技術プロトタイプ 予備評価
(時系列抽出ランプ2012年度東北エリア)
※アンサンブル(メンバー)は1回の予測発表で11個の予測を発表したとして集計。
ランプアップ・ダウン共に、幾つかのプロトタイプ予測技術が開発目標に到達。
今後、予測アプローチのチューニングや収集されたWFモニタリングデータの活用を進め、予測精度の向上を目指す。
17/35
5.研究開発状況・成果
Dynamical Systems理論と機械学習手法は予測時間が短い所で精度が良い。
数値気象予報をベースとした予測アプローチは予測時間が長いところで精度が良い。
複数予測手法の統合結果は、統合前の各予測アプローチよりも精度が向上している。
予測技術プロトタイプ 予備評価
(時系列予測2012年度東北エリア)
18/35
5.研究開発状況・成果
予測技術プロトタイプ 予備評価
(時系列抽出ランプ2012年度北海道エリア)
ランプダウンにおいて、気象学的+統計的手法が開発目標に到達。ランプアップにおいて課題が残る。その他手法は北海道エリアについては開発中。
19/35
5.研究開発状況・成果
予測技術プロトタイプ 予備評価
(時系列予測2012年度北海道エリア)
気象学的要因分析+統計的手法は予測時間に関わらず、ベンチマークテストに近い水準の予測精度を持つ。
21/35
5.研究開発状況・成果
Ⅰ-(2)-②-3 複数予測手法の統合
チューニング前の統合予測においてベンチマークより改善している事例も確認 (例:10/19 2:00発表予測)
10/19 8:38~13:360.58pu ランプアップ
22/35
5.研究開発状況・成果
Ⅰ-(2)-②-4 ランプ予測技術の評価 Unit Commitmentを用いたランプ予測評価
– ランプ現象に関する予測を含む風力発電出力予測を用いて、発電機の運用計画を最適化する発電機起動停止計画作成
(Unit Commitment)と、当日の実績データに基づくEconomic
Dispatchシミュレ―ションを実行し、経済性、供給力不足、調
整力不足など系統運用に与える効果・影響を分析し、予測技
術を評価するツールを開発
DAUC EDC
[計算結果データ]
[ランプ予測評価]
[予測データ] [実測データ][予測データ] ・PV予測(実測)・風力予測(実測)・風力ランプアラート
[起動停止計画データ][貯水量データ]
MUC
・Multi day ahead UC:数日先までの最適化計算(揚水発電用の貯水量・境界条件を決定)(解像度1時間)・Day Ahead UC:翌日の最適化計算(火力・揚水発電機の運転計画を作成)(解像度30分)・Economic Dispatch:UCに沿って需給運用をシミュレーション(解像度30分)
*混合整数計画問題として求解火力・揚水発電機モジュールから構成
[結果出力、グラフ化]
・発電コスト・供給支障・調整力不足
など
23/35
5.研究開発状況・成果
Ⅰ-(2)-②-4 ランプ予測技術の評価
– 定式化に関する改良等
により計算時間を短縮、
繰り返し評価に用いられる
ツールを作成
– MUC(前スライド参照)により
複数日にわたる予測に基づく
計画を作成。
調整力として重要な揚水発電機の
複数日の合理的な運用を模擬し、
より現実に近い運用に沿った予測評価へ
Unit Commitmentを用いたランプ予測評価
今後、各予測の分析・評価を実施する
24/35
5.研究開発状況・成果
Ⅰ-(2)-④ WF制御技術の高度化
1 ナセル搭載型ライダーによる制御技術開発風車の新しい制御方式として、風車へ流入する風を直接計測できるライダーを活用した変動緩和制御技術を開発する。世界的にも新しい方式であるため、フィールド計測よりライダー風速推定精度の把握するとともに、風車制御モデル構築、(風力発電事業者インセンティブ評価も含め)風車へのダメージ、影響などについて検討が必要.変動が発生する風特性を把握し、出力緩和可能性について実機ベースで検討する。
図 平坦地形風向区分図
Lidar搭載
図 ナセル:有効、LiDAR:有効
図ナセル:有効、LiDAR:有効
平坦地形、複雑地形における風計測精度を把握
これまで不明確だった平坦地形、複雑地形における出力推定評価を実現
図 LiDAR計測図
平坦地形出力推定 複雑地形出力推定
25/35
5.研究開発状況・成果
Ⅰ-(2)-④ WF制御技術の高度化
2-a WF内を対象とした出力制御技術開発
Lidar計測データに基づくシミュレーションを実施し、変動緩和性能を確認
変動標準偏差
◦ Feedback : 1.0%
◦ Feed-forward : 0.5%
◦ ※変動緩和可能であることを確認
風車の荷重変動も緩和することができ、発電事業者が変動緩和を実施することへのインセンティブを検討
• 変動緩和により生涯年間発電量は向上• 変動緩和パラメータの設定によって応答性
に差異がある(今後の検討)
※Lidarメーカより出力変動緩和専用改造に協力いただけることが決定
※国内風車メーカより出力緩和制御機能の実装に協力いただけることが決定⇒世界初の、Lidarを用いた高性能出力変動
緩和風車の実現
26/35
5.研究開発状況・成果
Ⅰ-(2)-④ WF制御技術の高度化
2-b WF間を対象とした出力制御技術開発
技術開発手順と成果:調査・基礎検討を終了。制御効果を算定中。
開発目標値• 年間逸失電力量率を、1%以下とする。
• 超短周期変動(数分未満)の+側変動率を、定格の1%以下とする。 (年間の99.9%時間)
• 短周期変動(数分~数十分)の+側変動率を、定格の5%以下とする。(年間の99.9%時間)
• 長周期変動(数十分以上)、ランプ変動などに関しては、評価基準などを策定中。
変動周期別変動量抽出方式:移動平均フィルタ(現在時刻から前後1/2設定時間)
27/35
5.研究開発状況・成果
Ⅰ-(2)-④ WF制御技術の高度化
2-b WF間を対象とした出力制御技術開発 変動抑制制御方式
– 短周期変動、長周期変動、ランプ変動、カットアウト変動:最大出力抑制
• 次ステップ(1分間)の出力上限値を、過去(モニタリング値)と将来(出力予測値)
の移動平均値+α[pu]以下に抑制
– 超短周期変動、カットイン変動:出力変化率制限
• 出力上昇率をθ[pu/分]以下に制限
• 充分な風速が得られている状態では出力低下率をθ[pu/分]以下に制限
短周期変動抑制の制御結果 (例)– 2012年11月東北エリア 逸失電力量率1%以下での制御
28/35
6.まとめ
風力発電および気象モニタリングシステムの構築– WF気象、総発電量、SCADAの観測網整備を進めており、10月18日時点でデー
タ収集可能なWFは45地点(今年度中に48地点)
– WF近傍の風況観測設備としてLIDAR5基、風況マスト6基の設置が完了しデータ収集を継続的に実施している
– 上記観測データに加え、広域気象観測網データ、気象庁データの収集管理を行う風力DBを構築した
ランプ予測技術の開発– ランプ現象等予測手法研究開発
• 開発目標確定にむけ、プロジェクト推進上のランプ現象の定義を行った
• 開発したランプ予測の精度評価としてCSIを主指標とすることとした
• ランプ予測プロトタイプ作成に向け、各予測手法の開発を行い、既存データを用いた事例解析・予測の予備評価を実施した
– ウィンドファーム制御技術の高度化
• ナセルLIDAR制御技術:LIDARの風計測精度を把握し制御モデル構築の基礎検討を行った
• WF内制御技術:LIDAR計測データに基づくシミュレーションを実施し、変動緩和性能を確認・開発目標決定にむけた検討を実施した
• WF間制御技術:調査・基礎検討を終了し開発目標決定にむけた検討を実施した
30/35
付録.
◆ 2012/4/3の発電出力予測結果について
各予測ともランプアップ(赤枠)を適切に予測している。
発電出力実績は、信頼区間(95%)内に概ね収まっている。
備考)本事例は、標準WRFの風予測値を用いて発電出力を計算したものである。
2012/4/3 0時発表(日大・筑波大手法) 2012/4/3 12時発表(日大・筑波大手法)
※ただし、その後のランプダウン(4/3 18:19~23:47) は発電出力の低下傾向を過小評価しており、実績値が信頼区間から外れている時間帯もみられる。
2012年4月3日ランプアップ 北海道エリア 事例解析
Ⅰ-(2)-②-2-A1 気象学的要因分析によるアプローチ
Ⅰ-(2)-②-2-B1 統計的手法によるアプローチ
31/35
付録.
発電出力[PU]4/2 9:00- (JMA GSM)
ランプ発生確率[%]
青線:実績データ 97.590755025102.5
Ram
p
dow
nR
am
pu
p
Ⅰ-(2)-②-2-A1 気象学的要因分析によるアプローチ 事例解析
発電出力[PU] 3/30 21:00- (Grand ensemble)
ランプ発生確率[%]
• 自己組織化マップにより、大気長期再解析データの気象場分類と発電量の長期データから気象場(天気図パターン)と風力間の関係性を構築。世界各気象機関による全球気象場予測に対し、この関係性を適用することで、発電出力を予測(アナログアンサンブル)。
• 予測した天気図の類似日での発電量分布から経験的に発電出力の確率予測(緑陰影)
• 世界の気象機関(日本・米国・英国・カナダ・ECMWF)のデータを用いた予測(下、中期マルチセンターグランドアンサンブル)では、3/30の時点で半数近くのアンサンブルでランプの発生をアラート(下図赤丸点)。
32/35
付録.
Ⅰ-(2)-②-2-A2 アンサンブル予測によるアプローチ
• 4月1日21時を初期値に75時間予測。ランプアップは初期値から約30時間後に発生。• 11個のアンサンブルメンバー全てがランプアップ事例を予測。• 結果が異なる複数の予測により、ランプ現象の見逃しリスクの低減や、ランプ現象の位相や振幅の不確実性を定量的に予測する。
• 4月3日のランプ現象の事例では、ランプ現象の位相の不確実性が約10時間と推定。
複数の予測結果が得られるアンサンブル予測 事例解析
33/35
付録.
Ⅰ-(2)-②-2-B1 統計的手法によるアプローチ
• 4月1日および2日の17時にそれぞれ67時間予測の配信開始(気象モデル初期値から75時間)。• ランプアップは予測配信時刻(赤矢印)から約34時間および10時間後に発生。• 2日以上前の予測でも急変化はとらえている。ただし、予測値の振幅不足のため、時系列をそのまま当てはめたランプ予測では見逃しになる。
• 4月3日06:00以後の出力減少は、カットアウトによるものと推察される。今後SCADAの風速データを学習に利用した統計手法により、改善が期待される。
34/35
付録.
Ⅰ-(2)-②-2-B2 機械学習によるアプローチ
観測に基づく30分毎の予測更新によりショートレンジに関する高精度な予測を実現 気象予測情報が更新される時刻(17時)と他の時刻で予測精度に著しい差はない 定期更新される気象場予測結果と鮮度の高い観測を活用することが予測精度の向上に資することを確認
今後モニタリング情報を活用することでさらなる高精度予測の実現へ
予測実施時刻毎の予測対象時間と精度の関係について 事例解析